一種基于深度學(xué)習(xí)的自適應(yīng)超聲圖像增強(qiáng)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像增強(qiáng)方法，具體來(lái)講是一種深度學(xué)習(xí)的自適應(yīng)超聲圖像增強(qiáng)方 法，屬于超聲圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 超聲醫(yī)學(xué)成像因其具有直觀、方便、安全、快速等優(yōu)點(diǎn)廣泛應(yīng)用于臨床，但由于超 聲成像的物理特性和超聲探頭的相關(guān)屬性，超聲圖像在反映人體器官輪廓的同時(shí)，還常常 出現(xiàn)不規(guī)則的斑點(diǎn)和偽像，這大大影響了圖像的質(zhì)量和病灶的識(shí)別。針對(duì)這種情況，目前主 要的超聲圖像增強(qiáng)算法有各向異性擴(kuò)散、小波變換、中值濾波等，但是這些方法作用于整幅 圖像，難免會(huì)出現(xiàn)濾除噪聲的同時(shí)模糊了邊界，或者增強(qiáng)邊界的同時(shí)也增強(qiáng)了噪聲。所以， 較好的處理方法是先對(duì)圖像進(jìn)行分析，對(duì)邊緣與組織進(jìn)行檢測(cè)之后再分別進(jìn)行處理?，F(xiàn)有 技術(shù)中對(duì)圖像的分析主要通過(guò)計(jì)算梯度、結(jié)構(gòu)張量等方法，但是這種方法通常需要設(shè)定一 個(gè)硬閾值，缺少較好的自適應(yīng)能力。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明針對(duì)超聲圖像處理過(guò)程中對(duì)圖像分析不準(zhǔn)確的問(wèn)題，公開(kāi)一種能夠自行識(shí) 別處理超聲圖像的深度學(xué)習(xí)的自適應(yīng)超聲圖像增強(qiáng)方法。
[0004] 為實(shí)現(xiàn)以上的技術(shù)目的，本發(fā)明將采取以下的技術(shù)方案： 一種基于深度學(xué)習(xí)的自適應(yīng)超聲圖像增強(qiáng)方法，按照如下步驟進(jìn)行:步驟(1)訓(xùn)練深度 神經(jīng)網(wǎng)絡(luò);步驟(2)讀取超聲圖像數(shù)據(jù);步驟(3)將圖像數(shù)據(jù)分成小塊，輸入訓(xùn)練好的深度神 經(jīng)網(wǎng)絡(luò)，分類(lèi)為均勻組織區(qū)域和結(jié)構(gòu)區(qū)域;步驟(4)對(duì)該超聲小塊圖像分別進(jìn)行相應(yīng)的數(shù)據(jù) 處理;步驟(5)將相應(yīng)的部分融合整幅輸出；其中，步驟(1)包括如下步驟:步驟A采集圖片數(shù) 據(jù)，對(duì)圖片數(shù)據(jù)進(jìn)行分組預(yù)處理;步驟B構(gòu)建RBM模型，確定模型的層數(shù)、訓(xùn)練方式;步驟C特 征提取，將步驟A中的一組圖片送入RBM中計(jì)算提取圖像特征;步驟D神經(jīng)網(wǎng)絡(luò)建立，利用步 驟C提取到的圖像特征建立深度神經(jīng)網(wǎng)絡(luò)模型。
[0005] 本發(fā)明進(jìn)一步限定的技術(shù)方案為： 進(jìn)一步的，步驟A具體為:系統(tǒng)從超聲設(shè)備中隨機(jī)采集Μ張超聲圖像，其中Μ 2 10;將圖像 集中的每一張圖片分割成η*η像素的小塊，選取小塊的原則是小塊包含類(lèi)別的特征;分割好 的小塊圖片用人工的方式按照均勻組織區(qū)域和結(jié)構(gòu)區(qū)域進(jìn)行標(biāo)注，標(biāo)注好的小塊圖片按照 初始整張圖片為單位歸類(lèi)存儲(chǔ)。
[0006] 進(jìn)一步的，步驟Β中，所述RBM模型層數(shù)設(shè)置為三層，采用吉布斯交叉采樣方法逐層 訓(xùn)練，迭代次數(shù)為50次。步驟C特征提取，將步驟Α中的一組圖片送入RBM中計(jì)算提取圖像特 征。步驟D神經(jīng)網(wǎng)絡(luò)模型的建立，將分割好的小塊圖片以初始整張圖片為單位送入限制玻爾 茲曼機(jī)網(wǎng)絡(luò)進(jìn)行計(jì)算提取訓(xùn)練圖像的特征數(shù)據(jù)，用這些初始參數(shù)建立深度神經(jīng)網(wǎng)絡(luò)模型。
[0007] 進(jìn)一步的，步驟(3)包括： 從超聲設(shè)備中獲取超聲圖像分成小塊，輸入訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，分類(lèi)為 均勻組織區(qū)域和結(jié)構(gòu)區(qū)域。由于深度神經(jīng)網(wǎng)絡(luò)由上述步驟已經(jīng)訓(xùn)練完成，各參數(shù)已經(jīng)保存， 則能夠保證圖像的分類(lèi)能夠?qū)崟r(shí)的處理。
[0008] 進(jìn)一步的，步驟(4)包括:根據(jù)識(shí)別的結(jié)果，采取不同的圖像處理方法。識(shí)別為均勻 組織區(qū)域的小塊圖像，采用高斯濾波進(jìn)行去噪。識(shí)別為結(jié)構(gòu)區(qū)域的，進(jìn)行圖像增強(qiáng)，公式為：
其中，^表示增強(qiáng)后的灰度值，表示小塊灰度均值，深表示灰度調(diào)整系數(shù)。
[0009] 進(jìn)一步的，深度神經(jīng)網(wǎng)絡(luò)模型由深度信念網(wǎng)絡(luò)DBN進(jìn)行預(yù)訓(xùn)練，包括： 采用自下而上的無(wú)監(jiān)督學(xué)習(xí)方式進(jìn)行訓(xùn)練，即使用無(wú)標(biāo)簽的樣本數(shù)據(jù)從底層開(kāi)始，一 層一層的往頂層進(jìn)行訓(xùn)練。
[0010] RBM是一種能量傳遞模型，定義每一層的能量狀態(tài)為：
其中，―是w，a，b有關(guān)的參數(shù)，k為第k層RBM，_是"層1單元和1￥層j單元之 間的鏈接權(quán)重參數(shù)，而a和b分別是缺層和祕(mì)Μ層的偏執(zhí)參數(shù)。并且據(jù)此便知道缺S 的概率為：
其中，堤歸一化系數(shù)。根據(jù)上面的概率分布，很容易得到如下的條件概率：

通過(guò)隱藏層的概率對(duì)數(shù)對(duì)W的求導(dǎo)，可以得到：
其中，_4琴^辦-考&表示數(shù)據(jù)分布的期望，_,1||;^^^|%表示經(jīng)過(guò)5次吉布斯 抽樣后的數(shù)據(jù)分布。進(jìn)一步可以得到：
其中，S3是動(dòng)量，涉是學(xué)習(xí)率。實(shí)際模型的無(wú)偏樣本往往很難獲得，一般采用對(duì)比三都 的方法對(duì)重構(gòu)數(shù)據(jù)的采樣近似來(lái)更新網(wǎng)絡(luò)權(quán)重。下一層的輸入來(lái)自于上一層的輸出，以此 傳遞，而最底層的輸入一般來(lái)自于觀測(cè)變量，也就是對(duì)象的原始特征數(shù)據(jù)，如圖像的像素 值。本發(fā)明最底層的輸入為n*n小塊圖像的像素值。
[0011]進(jìn)一步的，所述深度信念網(wǎng)絡(luò)(DBN)的調(diào)優(yōu)，包括： 采用自頂向下的監(jiān)督學(xué)習(xí)方式進(jìn)行調(diào)優(yōu)，即使用標(biāo)簽的樣本數(shù)據(jù)進(jìn)行訓(xùn)練， 誤差自頂向下進(jìn)行傳輸，對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，包括： 根據(jù)目標(biāo)輸出數(shù)據(jù)和重構(gòu)數(shù)據(jù)的誤差函數(shù)，利用反向傳播(BP)算法重新調(diào)整網(wǎng)絡(luò)的參 數(shù)，最終使網(wǎng)絡(luò)達(dá)到全局最優(yōu)的過(guò)程。目標(biāo)輸出數(shù)據(jù)和重構(gòu)數(shù)據(jù)的誤差函數(shù)為

其中，y為目標(biāo)輸出，Y是重構(gòu)數(shù)據(jù) 表示重構(gòu)誤差的2范數(shù)形式，對(duì)誤差函數(shù)求權(quán) L-'' 值的偏導(dǎo)，可以得到權(quán)重的更新值。
[0012] 本發(fā)明由于采取以上技術(shù)方案，具有如下優(yōu)點(diǎn)：本發(fā)明利用深度學(xué)習(xí)技術(shù)對(duì)超聲 圖像進(jìn)行分析，通過(guò)非人工干預(yù)的手段尋找符合圖像的特征值，再進(jìn)行識(shí)別、分類(lèi)，之后針 對(duì)不同的分類(lèi)，采取不同的處理算法，這種方法具有更好的魯棒性和自適應(yīng)能力。
【附圖說(shuō)明】
[0013] 圖1是本發(fā)明的整體實(shí)施方案流程圖； 圖2是本發(fā)明的訓(xùn)練模型示意圖； 圖3是本發(fā)明工藝實(shí)施方案的具體流程圖； 圖4是一張?zhí)幚砬暗腂超圖； 圖5是一張?zhí)幚砗蟮腂超圖。
【具體實(shí)施方式】
[0014] 附圖非限制性地公開(kāi)了本發(fā)明所涉及優(yōu)選實(shí)施例的流程示意圖；以下將結(jié)合附圖 詳細(xì)地說(shuō)明本發(fā)明的技術(shù)方案。
[0015] 一種基于深度學(xué)習(xí)的超聲圖像增強(qiáng)方法，其基本步驟如下： 訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。
[0016] 讀取超聲圖像數(shù)據(jù)。
[0017] 將圖像數(shù)據(jù)輸入訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)，分類(lèi)為均勻組織區(qū)域和結(jié)構(gòu)區(qū)域。
[0018] 對(duì)該超聲小塊圖像分別進(jìn)行相應(yīng)的數(shù)據(jù)處理。
[0019] 將相應(yīng)的部分融合整幅輸出。
[0020] 其中訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的步驟如下： 從超聲設(shè)備采集m張不同的超聲圖像，可以是不同位置、不同體模等不同條件下獲得的 圖像。把當(dāng)前的圖像分成兩部分，一部分作為訓(xùn)練圖像集，一部分作為測(cè)試圖像集。
[0021] 把這些圖像分成n*n像素的小塊，并做好標(biāo)簽。例如標(biāo)簽記為均勻組織區(qū)域和結(jié)構(gòu) 區(qū)域。
[0022]將訓(xùn)練樣本的圖像送入限制玻爾茲曼機(jī)網(wǎng)絡(luò)進(jìn)行預(yù)處理，講得到的權(quán)值初始化BP 神經(jīng)網(wǎng)絡(luò)參數(shù)，訓(xùn)練出深度神經(jīng)網(wǎng)絡(luò)模型。
[0023]以下是對(duì)本發(fā)明一種基于深度學(xué)習(xí)的超聲圖像增強(qiáng)方法做了詳細(xì)說(shuō)明，流程圖